用于隐私保护的旋转等变神经网络
机器学习
2020-06-25 v1 密码学与安全
计算机视觉与模式识别
机器学习
摘要
为防止从中间层特征泄露输入信息，本文提出一种将传统神经网络改造为旋转等变神经网络（RENN）的方法。与传统神经网络相比，RENN使用d元向量/张量作为特征，其中每个元素为一个d元数。这些d元特征可随随机角度旋转（类似于d维向量的旋转）以作为加密过程。输入信息隐藏于d元特征的该目标相位中以实现属性混淆。即便攻击者已获取网络参数与中间层特征，若不知晓目标相位便无法提取输入信息。因此，输入隐私可被RENN有效保护。此外，与传统神经网络相比，RENN的输出精度仅轻微下降，且计算开销显著小于同态加密。
引用
@article{arxiv.2006.13016,
title = {Rotation-Equivariant Neural Networks for Privacy Protection},
author = {Hao Zhang and Yiting Chen and Haotian Ma and Xu Cheng and Qihan Ren and Liyao Xiang and Jie Shi and Quanshi Zhang},
journal= {arXiv preprint arXiv:2006.13016},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:2003.08365